/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
vjepa21 · dense
Библиотека
transformers
Опубликована
23 июн 2026

vjepa2.1-vitl-fpc64-384

ЭмбеддингиТекст → embedding4 профессии

Порт V-JEPA 2.1 ViT-L/16 для извлечения плотных пространственно-временных признаков из видеоклипов.

899скачиваний за 30 дней2лайкавеса обновлены23 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

V-JEPA 2.1 ViT-L/16 @ 384 — преобразованные веса модели для извлечения плотных пространственно-временных признаков из видео. Репозиторий подготовил Dev-Jahn в формате Hugging Face на основе официального чекпойнта Meta; модель ViT-L/16 дистиллирована из ViT-G.

Модель принимает видеоклипы и кодирует их в сетку признаков: патч имеет размер 16 пикселей, временной tubelet охватывает 2 кадра. Для клипа из 64 кадров размером 384 × 384 получается сетка токенов 32 × 24 × 24 с размерностью признаков 1024. Подходит как визуальный энкодер для извлечения признаков видео и последующего пространственно-временного анализа.

Веса опубликованы в формате safetensors и доступны на условиях лицензии Apache-2.0. Это порт чекпойнта, а не отдельное дообучение; README не сообщает о поддержке генерации текста или других модальностей.

Сценарии применения

  • извлечение признаков из видеоклипов
  • построение пространственно-временных представлений видео
  • подготовка видеоэмбеддингов для последующей аналитики

Ограничения

Модель предназначена для извлечения признаков, а не для непосредственной генерации текста или ответов на вопросы по видео. Указанная конфигурация рассчитана на кадры 384 × 384; README описывает пример сетки для клипа из 64 кадров.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

V-JEPA 2.1 ViT-L/16 (384) — HF port

HuggingFace-format weights for V-JEPA 2.1, ViT-L/16 @ 384px (distilled from ViT-G), for dense spatio-temporal feature extraction.

  • patch 16, tubelet 2 → a 64-frame 384² clip yields a 32 × 24 × 24 token grid (D=1024).
  • Converted from Meta's official checkpoint vjepa2_1_vitl_dist_vitG_384.pt using the HF port at github.com/Dev-Jahn/vjepa2-hf.

Usage

import torch
from transformers import AutoModel

model = AutoModel.from_pretrained(
    "Dev-Jahn/vjepa2.1-vitl-fpc64-384", trust_remote_code=True,
).eval().cuda()

# channels-first (B, C, T, H, W); H=W=384, ImageNet-normalized
pixel_values_videos = torch.randn(1, 3, 32, 384, 384, device="cuda")
with torch.no_grad():
    feats = model(pixel_values_videos, skip_predictor=True).last_hidden_state  # (B, N, 1024)

# dense grid: N = (T/2)*(384/16)*(384/16)
grid = feats.reshape(feats.shape[0], 16, 24, 24, -1)  # for T=32

Attribution & license

Derived from Meta's V-JEPA 2.1 (MIT/Apache-2.0). Port code and this conversion are Apache-2.0. See the original facebookresearch/vjepa2.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
VJEPA21Model
Ревизия весов
712c91d

0 моделей